2014-IT Manager的冬天

本文作者分享了作为技术出身的中年IT人在职业发展中遇到的困境,包括技术与管理之间的平衡、个人技能的定位、市场需求的变化及对未来职业道路的思考。文中提及了技术背景的重要性、技术与管理角色的错位导致的职业路径混乱,并提出了对于未来职业发展的建议。

       最近心里有点堵的慌,看到很多同事相继离开,看到报表里的Attrition数据,思考整个外包的市场的巨大改变对所在公司采用传统外包模式的巨大冲击。突然觉得自己为之奋斗数年的公司,一手搭建的体系和框架,慢慢的被遗弃。奋斗的心正如今天成都的早晨一样,本应该风和日丽,却迎来一场瓢泼大雨。

         昨晚有个很好的同事给我说,昨天听了我的课,深感我的PPT做的很好,特别是对公司的宣传那个的PPT写的太好,反而觉得过了。因为咱们的公司其实没有这么好,而我们的目前的客户,也就是你要拿去给他们讲的的那些人,未来可能就是你的雇主。过则不及,不要给他们留下对你不好的印象,虽然你把公司宣传的很好,但是对你未来的职业发展不好。一番话也随之激起了老婆的话包,开始给我分析我所做的资料和所做的演讲。她说,其实你的文章,我们公司的老大看了,觉得你们公司管理很现代和规范,可是我知道底细,哪有那么好嘛。

         一阵苦笑,很善言辞的我的不知道如何作答,我无论是建立体系还是写公司的宣传资料,都是在用心的去思考每一个细节,都努力在我的角色里做到最好, 我一手创建的Competence管理体系和创业团队刀锋管理方法,都是经过深入的思考, 考虑每一个可行性,最后在公司里每一个条目认真的推行的,确实效果很好,可是我有什么办法呢?客户的对公司的形象是一个综合的概念,我所能做的就是做好本分,我无法左右Business层面的萎缩而引起的员工流失,以致客户对公司的差评,我无法改变现实。于是当初我的用心演讲,在客户心里落下了对我不好的想法,因为我有点说的比做的好。从而影响我未来的职业发展。顿觉很无语。

          昨天更新了QQ签名,很多朋友发短信来问我, 怎么会有如此感慨,看着一位资深的项目经理,因为项目萎缩而和公司协议离职,年已四十岁,周围的朋友都在讨论他的去处,为他惋惜的时候,我也在考虑身边的和我一样被称作Manager的群体。我们的未来路又会在哪里。这位同事,是我见过最资深的项目经理,数年华为文化的熏陶,让他沉稳,高效,略显冷酷,在我们当时一个项目危机的时候,临危受命,1个月的时间,改变管理结构,创建公司章程,推出EV/PV的体系,很短的时间里就扭转了局势,得到客户的好感。而我的Competence管理体系里大多东西都是受他的思想熏陶,这样的人在40岁的时刻因为太牛,而无法合理安排职位以致协议离职。我的心有点痛。

          为了验证我在市场上的竞争力,把我的简历给了一位猎头朋友,听说他在给成都一家很知名的公司招人,我想看看自己值几斤几两,我把我的简历,我所发表的管理学文章以及即将出版的书的样章发给他,让他评估一下有没有地方可去。结果资料发过去后,猎头朋友等好久才给我回话,说:不好意思啊,现在市场上真心没有适合你的职位,我说不是某某公司在招人吗,他说,亲,你的简历连初面的机会都没有,理由是“Over Qualify”。这和我五六年前的场景截然不同,那时我还是一个斗志昂扬的C++开发人员,可是当我在技术的道路上走到了职业的顶端,从Scrum Master,到项目经理,到Cross Site Issues Coordinator,到管理300多人职业能力发展的Competence Manager。发现竟然得到猎头这样的答复,和当时一个下午接三个猎头的电话相比,真心是一落天丈,心里有少许的落差。怪不得,我的qq签名写成“IT行业的Manager真心是个高危职业”之后,会有这么大的反应。其实可以理解,在中国的IT圈,特别是成都这样的第三IT局域,技术类公司需要的是螺丝钉的居多,而需要扳手的很少,每个公司除了新创的都已经有了自己的扳手团队,所以一把扳手只能适用一个公司,如果离开了这个公司,扳手的市场就很难有机会。当然如果你是老虎钳子,那就更难有机会。

         经过了这多年,抹去年少无知的莽撞和冲动,当岁月的光华划过人生的表盘定格在而立之年的分割线,在风卷云舒灯华人喧的工作中沉寂下来去思考,发现会有这样的感悟:

1)技术出身的Manager,何时都不能丢掉技术,中国是一个讲究的背景的国家,有着看故论今的文化传统,不管你的管理才能多么出众,技术永远是你的立身之本。身边好几位一线经理的朋友,离开公司,很多很长时间都难找到工作。活着是必须的需求,不放弃技术,早晚都有饭吃,因为要螺丝钉的地方比要扳手的地方多。

2)技术出身不能做杂了,要有一个主线:我就是个很好的例子,当年进东软,半年时间成了部门MFC专家,一年变成项目经理(出去面试的时候,简历删了这一段,怕没人信),后来迫于地震离开东软去了上家公司做金融软件,半年时间成了公司Windows平台的软件的开发专家,后续带领兄弟们开发了基于Lua的金融测试平台(供交易员用),结果呢被现在的公司看喊去做通信设备外包,当Scrum Master,从那一刻起我的路就乱了。其实应该一路技术到底。不要迷信的中国的敏捷开发,很多公司都是伪敏捷,所以Scrum Master也没技术含量。后来帮助部门协调跨国团队关键bug的协调的和解决,最后临危受命负责本来应该是是HR做的工作,Competence管理。本来一个技术人员,做了很多不是技术的事情,从而职业路线出现多条分支。所以想写份简历都难,重点写技术,你又在做管理,重点写管理,又是工科出身,程序员背景,虽然我的Competence体系和创业团队刀锋管理方法先后发表且被其他大公司引进使用,可是在讲究背景的国度,做杂永远是一个错误的决定。

          前天,在优快云的杂志编辑推荐下,加入了优快云 CTO俱乐部,当写我个人介绍的时候,我很迷茫,于是写了这么一段:出身技术,善于管理,熟于运营,程序员里PPT写的很好,PPT里管理做的很强,管理里文章写的很棒,文章里市场最为敏感,最后发现出的两本书才最为美感。发给老婆看,我老婆点了好多赞。可是我心里有点默默的酸楚。

2014很动荡了一年,找一艘好船,比做个好船员重要,希望我的书可以顺利出版,没有好船,就造一艘船!


  

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

丑娃儿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值